Eur Radiol. 2018 Mar 29. doi: 10.1007 / s00330-018-5365-7.
Li L1,2, Fan W1,2, Li J1,2, Li Q3, Wang J4, Fan Y5, Nog1,2, Guo J4, Li S4, Zhang Y4, Cheng Y4, Tang Y4, Zeng H4, Yang L6,7, Zhu Z8.
Abstract
DOELEN:
Onderzoek naar de structurele hersenveranderingen gerelateerd aan veneuze erectiestoornissen (VED) en de relatie van deze veranderingen tot klinische symptomen en duur van de stoornis en onderscheid tussen patiënten met VED en gezonde controles met behulp van een machineleerclassificatie.
Methode:
45 VED-patiënten en 50-gezonde controles waren inbegrepen. Voxel-gebaseerde morfometrie (VBM), tract-gebaseerde ruimtelijke statistiek (TBSS) en correlatieanalyses van VED-patiënten en klinische variabelen werden uitgevoerd. De machine learning classificatiemethode werd toegepast om de effectiviteit ervan te bevestigen bij het onderscheiden van VED-patiënten van gezonde controles.
RESULTATEN:
Vergeleken met gezonde controlepersonen, vertoonden VED-patiënten significant afgenomen corticale volumes in de linker postcentrale gyrus en precentrale gyrus, terwijl alleen de rechter midden temporale gyrus een significante toename in corticaal volume vertoonde. Verhoogde axiale diffusiviteit (AD), radiale diffusiviteit (RD) en gemiddelde diffusiviteit (MD) waarden werden waargenomen in wijdverspreide hersengebieden. Bepaalde regio's van deze veranderingen gerelateerd aan VED-patiënten vertoonden significante correlaties met klinische symptomen en duur van de stoornis. Machinaal leren analyseert gediscrimineerde patiënten van controles met algehele nauwkeurigheid 96.7%, gevoeligheid 93.3% en specificiteit 99.0%.
Conclusies:
Corticale volume en witte stof (WM) microstructurele veranderingen werden waargenomen bij VED-patiënten en vertoonden significante correlaties met klinische symptomen en disfunctionele duur. Verschillende van DTI afgeleide indices van sommige hersenregio's kunnen worden beschouwd als betrouwbare onderscheidende kenmerken tussen VED-patiënten en gezonde controlepersonen, zoals blijkt uit computerlerenanalyses.
STERKE PUNTEN:
• Multimodale magnetische resonantiebeeldvorming helpt clinici om patiënten met VED te beoordelen. • VED-patiënten vertonen cerebrale structurele veranderingen die verband houden met hun klinische symptomen. • Machine learning-analyses onderscheiden VED-patiënten van controles met uitstekende prestaties. • Classificatie door middel van machine learning bood een voorlopige demonstratie van het klinische gebruik van DTI.
trefwoorden:
Machine learning classificatie; Multimode magnetische resonantie beeldvorming; TBSS; VBM; Veneuze erectiestoornissen
PMID: 29600478
DOI: 10.1007/s00330-018-5365-7
;
